遥感作为新兴技术,在农业生产大面积监测中起到非常重要的作用。通过卫星影像数据对水稻生长监测和水稻产量估测能够为大面积农业生产和在国际粮食定价中起指导作用。当前采用光学卫星影像对农业生产进行监测取得了长足进展,但阴雨天气获取光学数据存在一定困难,合成孔径雷达（SAR）全天候、全天时的观测能力是光学遥感的有效补充。SAR的成像原理、数据处理方法与光学影像存在较大差异,各类监测和应用尚处于研究阶段。本研究拟对比SAR图像处理噪声抑制算法,挖掘SAR数据水稻分类制图方法,探究水稻不同物候期雷达波散射特性,揭示水稻生长全过程SAR后向散射变化特征,构建水稻生长参数和作物产量估测模型,为更高时间分辨率、更高空间分辨率和更高极化特征SAR数据农作物生长监测及估产提供技术、方法和理论参考。本研究的目标主要包括4个:一是探讨SAR数据不同应用场景下的最优降噪方法,为SAR数据处理打下基础;二是分析不同地物的后向散射特征,挖掘单时相全极化数据、多时相双极化数据地物分类提取能力,提升水稻分类制图精度;三是探索研究不同极化数据及其组合条件下水稻生长参数的反演方法;四是构建水稻估产反演稳健模型。本研究主要采用主观评价和客观指标对SAR图像滤波处理结果进行综合评价。分别针对GF-3的QPSI（Quad Polarization Stripmap Ⅰ）全极化数据和Sentinel-1双极化多时相数据开展SAR图像的分类研究。深入挖掘GF-3数据地物识别与提取能力,针对全极化数据极化特征,分别采用Pauli分解、Krogager分解和H/A/α分解模型对SAR数据的极化特征进行分解并组成特征矩阵,采用基于特征优选方法筛选全极化雷达数据水稻提取最优特征。本研究分别选用了最大似然法、支持向量机、神经网络和随机森林法进行分类对比和精度验证。针对多时相双极化Sentinel-1 SAR数据,选择水稻生长不同物候期数据,计算不用地物J-M距离探索早稻种植面积提取的最优时相组合。采用一元线性模型、多项式模型、指数模型等单极化经验模型,双极化经验模型、水云模型和改进型水云模型等生长参数模型和数学统计方法,结合地面采集数据,构建生长参数和水稻估产模型。主要研究结果包括:（1）确定了不同研究区域GF-3数据的最优滤波方法和处理窗口大小。强纹理区建议采用Kuan滤波,处理窗口 7×7;均质区,建议采用Kuan滤波、Lee滤波和均质滤波,其中Kuan滤波3×3,5×5和7×7窗口均能达到较好效果,但Lee滤波和均值滤波处理窗口不宜过小,建议7×7窗口大小;边缘区建议采用Lee滤波和Frost滤波,窗口大小建议7×7,过小的窗口容易丢失线性目标。（2）确定了多源极化SAR数据对水稻进行提取的最优时相。早稻提取可以采用三叶期、直播稻幼苗期（对应移栽稻的移栽期和返青期）、孕穗期和乳熟期SAR数据组合进行提取,水稻与莲田、林地、人工表面、水体和湿地的J-M距离分别可以达到 1.832、1.979、1.890、1.975 和 1.999。（3）不同分类方法分类结果表明,随机森林法分类精度要优于最大似然法、支持向量机和神经网络分离方法。本研究采用时相优选确定的数据通过随机森林方法进行分类,最后解译总体精度达到94.3%,Kappa系数0.93。（4）单时相数据的水稻种植区提取结果较多时相数据提取结果差,但全极化数据仍然具有较高的应用潜力。根据全极化数据的3种方法的分解,结合原始数据4种后向散射系数组成的特征向量组,对特征重要性进行评价,优选了单时相下全极化数据分类的7个最优特征即:即:α、A、Red、H、Blue、Green和VV,随机森林分类的总体精度达到78.17%,Kappa系数0.738。（5）构建了水稻微波散射最优反演模型,VH极化数据反演精度远高于VV极化数据。反演结果精度较高的模型有:采用株高、生物量和叶面积指数作为参数的生长参数经验模型、水云模型和改进型水云模型。（6）构建了水稻生长参数反演最优模型。采用多时相VH和VV双极化数据进行协同反演,生物量和株高PRD分别为1.58和2.21,改进型水云模型反演生物量和株高PRD分别为1.90和1.93,两种模型反演均能够获得较高的预测能力,改进型水云模型能够部分解释水稻微波散射物理机制,具有更大优势。（7）提出了水稻产量反演优化模型。双极化经验模型反演的水稻生长参数和水云模型反演的生长参数对水稻产量进行反演均能取得较为理想的精度,水云模型更能解释水稻微波散射机理,更适合水稻产量反演。最终估产结果拟合决定系数0.7427,模型%RMSE18.27%,PRD1.42,从总体上看,该方法进行区域水稻估产是可行的。